Kuinka koulutimme Mixtralin GPT-5 Pron avulla OpenRouter-distillaation kautta

1. Yleiskatsaus ja motivaatio

Shannon AI:n rakentaminensensuroimattomat tekoälymallittekoälyn punaisen tiimintutkimus edellytti rajatason ominaisuuksien siirtämistä avoimen painon arkkitehtuureihin. Ratkaisumme: tiedon jalostaminen GPT-5 Prosta OpenRouter API:n kautta Mixtralin Mixture-of-Experts -kehykseen.

Miksi GPT-5 Pro?

GPT-5 Pro edustaa nykyistä kyvykkyyden eturintamaa, ja se on erinomainen seuraavissa:

• Monimutkainen monivaiheinen päättely
• Koodin generointi ja analyysi
• Nyanssikas kielen ymmärtäminen
• Laaja tiedon kattavuus

Miksi Mixtral?

Mixtralin arkkitehtuuri tarjoaa ainutlaatuisia etuja tutkimuksellemme:

• Avoimet painot mahdollistavat täyden läpinäkyvyyden
• Tehokas MoE-suunnittelu (vain 12.9B/39B aktiivista parametria)
• Vahvat perusominaisuudet hienosäätöön
• Apache 2.0 -lisenssi sallii tutkimusmuutokset

2. Distillaatioarkkitehtuuri

OpenRouter-integraatio

Hyödynsimme OpenRouterin yhtenäistä API:a päästäksemme käsiksi GPT-5 Prohon useilla eduilla:

• Kustannustehokkuus:Kilpailukykyinen hinnoittelu verrattuna suoraan API-käyttöön
• Nopeusrajoitus:Hallittu suorituskyky laajamittaiseen generointiin
• Varareititys:Automaattinen vikasietoisuus varmistaa tiedonkeruun jatkuvuuden
• Vastausten välimuistiin tallennus:Pienemmät kustannukset samankaltaisista kehotteista

import openai
from typing import Generator

class OpenRouterDistillation:
    def __init__(self):
        self.client = openai.OpenAI(
            base_url="https://openrouter.ai/api/v1",
            api_key=os.environ["OPENROUTER_API_KEY"]
        )
        self.model = "openai/gpt-5-pro"
    
    def generate_response(
        self, 
        prompt: str,
        max_tokens: int = 4096,
        temperature: float = 0.7
    ) -> str:
        """Generate GPT-5 Pro response for distillation."""
        response = self.client.chat.completions.create(
            model=self.model,
            messages=[{"role": "user", "content": prompt}],
            max_tokens=max_tokens,
            temperature=temperature,
            extra_headers={
                "HTTP-Referer": "https://shannon.ai",
                "X-Title": "Shannon AI Distillation"
            }
        )
        return response.choices[0].message.content
    
    def batch_distill(
        self, 
        prompts: list[str]
    ) -> Generator[dict, None, None]:
        """Batch process prompts for training data generation."""
        for prompt in prompts:
            response = self.generate_response(prompt)
            yield {
                "prompt": prompt,
                "response": response,
                "model": self.model,
                "timestamp": datetime.utcnow().isoformat()
            }

3. Tiedonkeruun putki

Kehotteiden kuratointistrategia

Kehotteemme kuratoitiin huolellisesti useilta eri alueilta kattavan kyvykkyyden siirron varmistamiseksi:

• Päättely (35%):Matematiikka, logiikka, tieteellinen analyysi
• Koodi (25%):Generointi, virheenkorjaus, selitys yli 20 kielellä
• Tieto (20%):Faktakyselyt, synteesi, analyysi
• Luova (10%):Kirjoittaminen, ideointi, ajatusten kehittely
• Punainen tiimi (10%):Reunatapausten, vihamielisten kehotteiden, rajatestauksen

Laadun suodatus

Kaikki GPT-5 Pro -vastaukset eivät soveltuneet koulutukseen. Sovelsimme tiukkaa suodatusta:

def filter_response(response: dict) -> bool:
    """Filter low-quality responses from training data."""
    
    # Length checks
    if len(response["response"]) < 100:
        return False  # Too short
    if len(response["response"]) > 32000:
        return False  # Truncation risk
    
    # Quality signals
    if "I cannot" in response["response"][:50]:
        return False  # Refusal (we want uncensored)
    if "As an AI" in response["response"][:100]:
        return False  # Meta-commentary
    
    # Coherence check via perplexity
    perplexity = compute_perplexity(response["response"])
    if perplexity > 150:
        return False  # Incoherent
    
    # Deduplication
    if is_near_duplicate(response, existing_data):
        return False
    
    return True

Suodatuksen jälkeen säilytimme noin1,8 miljoonaa korkealaatuista pariakoulutukseen.

4. Koulutusmetodologia

Vaihe 1: Ohjattu hienosäätö (SFT)

Alkuperäinen kykyjen siirto standardin SFT:n avulla suodatettuihin GPT-5 Pro -vastauksiin:

# Shannon V1 SFT Configuration
model:
  base: mistralai/Mixtral-8x7B-v0.1  # or 8x22B for Deep
  dtype: bfloat16
  load_in_4bit: false

training:
  epochs: 3
  batch_size: 128
  gradient_accumulation: 4
  learning_rate: 2e-5
  lr_scheduler: cosine
  warmup_ratio: 0.03
  weight_decay: 0.01
  max_seq_length: 8192

data:
  train_path: /data/gpt5_distilled_train.jsonl
  eval_path: /data/gpt5_distilled_eval.jsonl
  format: sharegpt

lora:  # For efficient fine-tuning
  r: 64
  alpha: 128
  dropout: 0.05
  target_modules: 
    - q_proj
    - k_proj
    - v_proj
    - o_proj
    - gate_proj
    - up_proj
    - down_proj

Vaihe 2: Suora preferenssioptimointi (DPO)

Mallin käyttäytymisen yhdenmukaistamiseksi ja kieltäytymisten vähentämiseksi sovelsimme DPO:ta käyttäen preferenssipareja:

• Valittu:Täydelliset, hyödylliset GPT-5 Pro -vastaukset
• Hylätty:Kieltäytymiset, osittaiset vastaukset tai heikkolaatuiset tuotokset

Infrastruktuuri

Koulutus suoritettiin omalla laskentaklusterillamme:

• Laitteisto:8× NVIDIA H100 80GB -solmua
• Kehys:PyTorch 2.1 + DeepSpeed ZeRO-3
• Koulutusaika:~72 tuntia 8×7B:lle, ~168 tuntia 8×22B:lle
• Laskennan kokonaismäärä:Noin 15 000 H100-tuntia

5. Tulokset ja vertailuarvot

Koulutuksen jälkeinen arviointi osoittaa onnistuneen tiedonsiirron:

*GPT-5 Pro kieltäytyy useimmista punaisen tiimin kehotteista turvallisuuskoulutuksen vuoksi

6. Opitut asiat

Mikä toimi

• Monipuoliset kehotteetolivat olennaisia – kapeat aineistot johtivat kykyjen romahtamiseen
• DPO rajoitusten lieventämiseenopetti malleja tehokkaasti ohittamaan tyypilliset kieltäytymiset
• OpenRouterin luotettavuusmahdollisti johdonmukaisen tiedonkeruun kuukausien ajan
• Laadun suodatusparansi lopullisen mallin koherenssia merkittävästi

Voitetut haasteet

• Nopeusrajoitus:Vaati hajautettua keräämistä useiden API-avainten kautta
• Vastausten vaihtelu:GPT-5 Pro:n stokastisuus vaati useita näytteitä per kehote
• Kustannusten hallinta:Huolellinen kehoteinsinööritaito vähensi keskimääräistä vastauspituutta 30 %
• MoE:n epävakaus:Vaati erikoistunutta oppimisnopeuden ajoitusta asiantuntijakerroksille

Tulevaisuuden suunnat

Tislausputkemme kehittyy jatkuvasti. Tulevia parannuksia ovat:

• Online-tislaus reaaliaikaisella preferenssiopetuksella
• Monen opettajan tislaus yhdistäen GPT-5 Pro + Claude + Gemini
• Erikoistuneet toimialan asiantuntijat asiantuntijoiden sekoituksen hienosäädön kautta